基于时序二维化和卷积特征融合的表面肌电信号分类方法

发布时间：2024-04-16 03:09

　　针对传统模式识别方法在表面肌电信号(sEMG)分类时容易忽略非线性、时序性等特征的问题,文中提出基于时序二维化和卷积特征融合的分类方法.通过格拉姆角场转换实现时序二维化,保留sEMG原始时间序列的时间依赖性和相关性.为了在突出局部信息的同时充分保留细节信息,引入胶囊网络与卷积神经网络共同提取特征,并进行特征融合,实现不同条件下的手势识别.对比多种分类方法的实验表明,文中方法可以有效增强电极偏移情况和面向新对象时手部动作的整体识别水平,具有较强的鲁棒性.

【文章页数】：12 页

【文章目录】：
1 基于格拉姆角场的时序二维化
2 基于特征融合的分类方法
    2.1 卷积特征融合
    2.2 基于动态路由的胶囊网络
    2.3 基于卷积特征融合的分类网络
3 实验及结果分析
    3.1 实验设置
    3.2 表面肌电信号预处理
    3.3 电极偏移情况下的分类效果
    3.4 不同实验对象下的分类结果
    3.5 时效性分析
4 结束语



本文编号：3956350